Neural CF是从传统的MF进行改进,吧MF里用户向量和物品向量的点积操作换成多层神经网络,是两个向量进行更充分地交叉
传统的内积为一种低纬度的相似关系向量之间的相似关系是高维的,但是通过内积计算的相似度是低维的,高维的相似关系映射到低维之后,表达能力不足。所以为了更好的表示向量之间的关系,基于深度学习网络,作者想出了用一个多层的神经网络来代替简单的内积运算,来增强模型的学习能力,这个就是NeuralCF的基本思想。
Neural MF
GMF和MLP组合
是Neural CF的混合版,左右两部分组成,GMF层接收用户和物品的embedding向量,然后做一个内积运算,右面是一个多层神经网络,接收embedding,经过多个全连接层,拼接,再过一个全连接层得到最后的输出。